BAB III METODE PENELITIAN
3.3 Populasi dan Sampel Penelitian
3.3.2 Sampel Penelitian
Sampel adalah sebagian atau wakil populasi yang diteliti (Arikunto, 2006:131). Pengambilan sampel yang digunakan dalam penelitian ini menggunakan teknik non-probability sampling dengan cara purposive sampling yaitu “teknik penentuan sampel dengan pertimbangan tertentu.”
(Erlina, 2008:83)
Adapun yang menjadi kriteria yang ditentukan peneliti dalam pengambilan sampel adalah sebagai berikut :
1. Daerah Kabupaten/Kota di Provinsi Sulawesi Selatan yang secara konsisten mempublikasikan Laporan APBD dan Laporan Realisasi APBD dalam situs Direktorat Jendral Perimbangan Keuangan selama periode 2011-2014.
2. Daerah Kabupaten/Kota di Provinsi Sulawesi Selatan yang secara rutin memperoleh dana Bantuan Keuangan Provinsi (BKP) selama periode 2011-2014.
3. Ketersediaan data IPM daerah Kabupaten/Kota di Provinsi Sulawesi Selatan hasil perhitungan Badan Pusat Statistik (BPS) selama periode 2011-2014.
Berdasarkan kriteria sampel tersebut diperoleh 19 sampel yang memenuhi kriteria, yaitu 16 Kabupaten dan 3 Kota di Provinsi Sulawesi Selatan sehingga jumlah sampel yang diteliti adalah 19 sampel dikali 4 tahun penelitian sebanyak 76 sampel.
Tabel 3.1
Daftar Populasi dan Sampel Penelitian
NO Kabupaten/Kota
3.4. Defenisi Operasional dan Skala Pengukuran Variabel
Variabel-variabel dalam penelitian ini dapat digambarkan dan didefinisikan secara operasional sebagai berikut :
3.4.1. Variabel Independen
Adapun yang menjadi variabel bebas (independen) dalam penelitian tersebut adalah sebagai berikut.
3.4.1.1. Pendapatan Asli Daerah ( PAD)
Pendapatan Asli daerah (PAD) merupakan semua penerimaan daerah yang diperoleh dari sumber-sumber dalam wilayahnya sendiri yang dipungut berdasarkan peraturan daerah sesuai dengan peraturan perundang-undangan. Semakin besar rasio yang dihasilkan, maka semakin baik dan efektifnya kinerja pemerintah daerah dalam mengolah pendapatan daerah tersebut.
Rasio ini dapat dihitung dengan rumus :
PAD = HPD + RD + PLPD + LPS 3.4.1.2 Dana Alokasi Umum ( DAU )
Dana Alokasi Umum (DAU) adalah salah satu transfer dana Pemerintah kepada Pemerintah Daerah yang bersumber dari pendapatan APBN, yang dialokasikan dengan tujuan pemerataan kemampuan keuangan antar daerah untuk mendanai kebutuhan daerah dalam rangka pelaksanaan desentralisasi.
3.4.1.3 Dana Alokasi Khusus ( DAK )
Dana Alokasi Khusus adalah dana yang bersumberdari APBN yang dialokasikan kepada daerah tertentu dengan tujuan untuk membantu mendanai kegiatan khusus yang merupakan urusan daerah dan sesuai dengan prioritas nasional. Dana Alokasi Khusus untuk masing-masing Kabupaten/Kota dapat dilihat dari pos dana perimbangan dalam Laporan Realisasi APBD.
3.4.1.4 Bantuan Provinsi
Bantuan Keuangan Provinsi adalah realisasi pendapatan daerah bagi pemerintah kabupaten/kota yang berasal dari APBD provinsi untuk mendukung pelaksanaan kewenangan pemerintah daerah dalam mencapai tujuan pemberian otonomi kepada daerah, yaitu terutama peningkatan pelayanan dan kesejahteraan masyarakat yang semakin baik. Data Bantuan Keuangan Provinsi Sulawesi Selatan diperoleh dari realisasi BKP dalam Laporan Realisasi APBD Provinsi Sulawesi Selatan.
3.4.2. Variabel Dependen
Adapun yang menjadi variabel terikat (dependen) dalam penelitian tersebut adalah sebagai berikut.
3.4.2.1 Indeks Pembangunan Manusia
IPM adalah indikator untuk mengukur keberhasilan pembangunan suatu daerah yang diukur berdasarkan tiga acuan, yakni panjang umur dan menjalani hidup sehat (diukur dari Angka Harapan Hidup), terdidik (diukur Angka Harapan Lama Sekolah), dan memiliki standar hidup yang layak (diukur dari Paritas Daya Beli atau pendapatan per kapita).
3.4.3 Variabel Moderating
Adapun yang menjadi variabel yang memperkuat atau memperlemah hubungan antara variabel dependen dengan variabel independen dalam penelitian ini adalah sebagai berikut.
3.4.3.1 Jumlah Penduduk
Penduduk menurut Badan Pusat Statistik (BPS) adalah semua orang yang berdomisili di wilayah geografis suatu daerah selama 6 bulan atau lebih dan atau mereka yang berdomisili kurang dari 6 bulan tetapi bertujuan untuk menetap. Data yang digunakan dalam penelitian ini adalah jumlah penduduk Kabupaten/Kota di Provinsi Sulawesi Selatan tahun 2011 – 2014 (dalam satuan jiwa).
Tabel 3.2
Tabel Definisi Operasional dan Skala Pengukuran Variabel
Variabel Defenisi Operasional Pengukuran Skala
Salah satu transfer dana Pemerintah kepada Pemerintah Daerah yang
dana yang bersumber dari APBN yang dialokasikan kepada daerah tertentu dengan tujuan untuk membantu mendanai kegiatan khusus yang merupakan urusan daerah dan sesuai dengan prioritas nasional. Dana Alokasi Khusus untuk masing-masing Kabupaten/Kota dapat dilihat dari pos dana perimbangan dalam Laporan berasal dari APBD provinsi untuk mendukung pelaksanaan kewenangan diukur berdasarkan tiga acuan, yakni panjang umur dan menjalani hidup sehat, terdidik dan memiliki standar hidup yang layak
Capaian IPM
(Angka Indeks) Rasio
Jumlah Penduduk ( Z)
Semua orang yang berdomisili di wilayah geografis Sulawesi Selatan selama 6 bulan atau lebih dan atau mereka yang berdomisili kurang dari 6 bulan tetapi bertujuan untuk menetap
Sensus Penduduk Rasio
3.5. Jenis dan Sumber Data
Dalam penelitian ini, jenis data yang digunakan adalah data sekunder. Data sekunder adalah data primer yang telah diolah lebih lanjut dan disajikan baik oleh pihak pengumpul data primer atau oleh pihak lainnya (Husein, 2011:42). Data yang digunakan dalam penelitian ini adalah data panel (pooled data) yaitu data yang menggabung antara data runtut waktu (time series) dan data silang (cross section). Time series atau runtun waktu adalah himpunan observasi data terurut dalam waktu (Hanke&Winchern, 2005: 58). Sedangkan, data cross section adalah adalah sekumpulan data untuk meneliti suatu fenomena tertentu dalam suatu kurun waktu.. Periode dalam penelitian ini dimulai dari tahun 2011, 2012, 2013 dan 2014.
Sumber dalam penelitian ini diperoleh penulis melalui situs www.djpk.depkeu.go.id dan www.bps.go.id.
3.6. Metode Pengumpulan Data
Dalam penelitian ini, metode pengumpulan data yang digunakan adalah teknik dokumentasi, yaitu peneliti mengumpulkan data-data sekunder dari Badan Pusat Statistik dan mengunduh data-data yang dibutuhkan dalam penelitian ini melalui situs www.djpk.depkeu.go.id. Selain itu, peneliti juga melakukan studi kepustakaan dengan membaca dan mempelajari literatur-literatur yang berkaitan dengan permasalahan yang diteliti.
3.7. Teknik Analisis Data
Dalam penelitian ini, metode analisis data yang digunakan adalah analisis statistik dengan menggunakan software SPSS 20.0 for windows. Adapun metode analisis data yang digunakan dalam penelitian ini adalah pengujian asumsi klasik
yang dilanjutkan dengan analisis regresi berganda, pengujian hipotesis, uji residual dan uji koefisien determinasi.
3.7.1. Statistik Deskriptif
Menurut Ghozali (2006:19), statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata- rata (mean), standar deviasi, varian, maksimum, minimum.
3.7.2. Uji Asumsi Klasik
Karena data yang digunakan adalah data sekunder, maka untuk menentukan ketepatan model perlu dilakukan pengujian atas beberapa asumsi klasik yang mendasari model regresi. Salah satu syarat yang mendasari penggunaan model regresi adalah dipenuhinya semua asumsi klasik agar hasil pengujian bersifat tidak bias dan efisien (Best Linier Unbiased Estimator/BLUE). Pengujian asumsi klasik yang digunakan dalam penelitian ini meliputi uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Adapun masing-masing pengujian tersebut dapat dijabarkan sebagai berikut :
3.7.2.1. Uji Normalitas
“Uji normalitas berguna untuk tahap awal dalam metode pemilihan analisis data. Jika data normal, gunakan statistik parametrik dan jika data tidak normal gunakan statistik non parametrik atau lakukan treatmentagar data normal.” (Erlina dan Mulyani, 2007:103).
Menurut (Ghozali, 2005 : 110) ada dua cara unutk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu : 1. Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan plotnya data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
2. Analisis Statistik
Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan nilai Z-skewness. Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non parametrik Kolmogorov-Smirnov (K-S).
Pedoman pengambilan keputusan tentang data tersebut mendekati atau merupakan distribusi normal dapat dilihat dari : a) nilai Sig. Atau signifikan atau probabilitas < 0,05, maka
distribusi data adalah tidak normal,
b) nilai Sig. Atau signifikan atau probabilitas > 0,05, maka distribusi data adalah normal.
3.7.2.2. Uji Multikolinearitas
Menurut (Ghozali, 2013 : 105), untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi, dapat dilihat dari nilai tolerance dan lawannya, serta variance inflation factor (VIF).
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen (terikat) dan diregres terhadap variabel independen lainnya.
Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Nilai Cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10.
3.7.2.3. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Jika varians dari residual satu ke residual pengamatan lain tetap maka disebut homokedastisitas, jika varians berbeda disebut heterokedastisitas. “Model yang baik adalah
bahwa bila tidak terdapat heterokedastisitas, dengan kata lain bahwa jika terdapat heterokedastisitas maka model tersebut kurang efisien”
(Santoso, 2001:208).
Untuk mendeteksi adanya heterokedastisitas (Ghozali, 2013:139) dilakukan dengan melihat grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi , dan sumbu X adalah residual yang telah di-studentized.
Dasar analisis yang digunakan dalam uji heterokedastisistas menurut (Gozhali, 2013:139) dijelaskan sebagai berikut :
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasi telah terjadi heteroskedastisitas.
2. Jika tidak ada pola tertentu serta titik–titik menyebar diatas dan dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas, maka mengindikasikan telah terjadi heteroskedastisitas
3.7.2.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka ada masalah autokorelasi (Ghozali, 2013:110).
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu dengan yang lain. Masalah ini timbul karena
residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya yang biasanya dijumpai pada data deret waktu (time series).
Konsekuensi adanya autokorelasi dalam model regresi adalah variance sample tidak dapat menggambarkan variance populasinya, sehingga model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada nilai independen tertentu.
Untuk menguji ada tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Waston (DW test). Pedoman dalam pengambilan keputusan ada tidaknya autokorelasi diuraikan oleh :
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi
Pengujian yang dilakukan untuk hipotesis pertama menggunakan analisis regresi berganda (Multiple Regression Analysis) karena terdiri dari tiga variabel independen dan satu variabel dependen. Analisis regresi berganda bertujuan untuk mengukur hubungan antara dua variabel atau lebih, dan menunjukkan arah hubungan antara variabel dependen dengan
variabel independen (Ghozali, 2013:91). Model persamaan regresi untuk menguji hipotesis pertama dengan formula sebagai berikut :
Y = a + b1X1 + b2X2 + b3X3 +b4X4+ e Keterangan :
Y = Indeks Pembangunan Manusia a = Konstanta
X1 = Pendapatan Asli Daerah X2 = Dana Alokasi Umum X3 = Dana Alokasi Khusus X4 = Bantuan Keuangan Provinsi
b1 = Koefisien Regresi Pendapatan Asli Daerah b2 = Koefisien Regresi Dana Alokasi Umum b3 = Koefisien Regresi Dana Alokasi Khusus b4 = Koefisien Regresi Bantuan Keuangan Provinsi
e = Error (pengganggu) 3.7.3.1. Uji Hipotesis
Pengujian hasil analisis regresi linear berganda dilakukan dengan Uji F dan Uji T
A. Uji Signifikansi Simultan (Uji-F)
Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen (Ghozali, 2005:84). Bentuk pengujiannya adalah :
1. H0 : b1=b2=b3=b4=0, artinya variabel Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan Bantuan Keuangan Provinsi secara simultan tidak mempunyai pengaruh yang signifikan terhadap Indeks Pembangunan Manusia.
2. Ha : b1≠b2≠b3≠b4≠0, artinya variabel Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan Bantuan Keuangan Provinsi secara simultan mempunyai pengaruh yang signifikan terhadap Indeks Pembangunan Manusia.
Kriteria pengambilan keputusan : a) H0 diterima jika F hitung < F tabel b) Ha diterima jika F hitung > F tabel
B. Uji Signifikansi Parsial (Uji-t)
Pengujian ini bertujuan untuk mengetahui apakah masing-masing variabel independen mempengaruhi variabel dependen secara signifikan.
Bentuk pengujiannya adalah :
1. H0 : b1b2b3b4 = 0, artinya variabel Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan Bantuan Keuangan Provinsi secara parsial tidak mempunyai pengaruh yang signifikan Indeks Pembangunan Manusia.
2. Ha : b1b2b3b4 ≠ 0, artinya variabel Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan Bantuan Keuangan Provinsi secara parsial tidak mempunyai pengaruh yang signifikan Indeks Pembangunan Manusia.
Pengujian dilakukan menggunakan uji-t dengan tingkat pengujian pada α = 5% derajat kebebasan (degree of freedom) atau df = (n-k).
Kriteria pengambilan keputusan : a) H0 diterima jika t hitung < t tabel b) Ha diterima jika t hitung > t tabel
3.7.3.2. Pengujian Hipotesis Dengan Variabel Moderating
Untuk melakukan uji regresi dengan variabel moderating dapat dilakukan dengan tiga cara yaitu : Uji Interaksi, Uji Nilai Selisih Mutlak, dan Uji Residual. Untuk melakukan pengujian regresi dengan variabel moderating dalam penelitian ini, penulis memilih Uji Residual. Adapun persamaan regresi untuk menguji hipotesis kedua adalah sebagai berikut :
Z = a + b1X1 + b2X2 + b3X3 + b4X4 + e……… (1) Kemudian regresi dilanjutkan dengan persamaan :
| e | = a + b1Y……… (2) Persamaan regresi pada gambar (2) menggambarkan Jumlah Penduduk sebagai variabel moderating jika nilai koefisien parameternya signifikan dan negatif.
Analisis residual ini menguji pengaruh deviasi dari suatu model dengan fokus lack of fit antar variabel independen (Ghozali, 2011:240).
Apabila antara variabel independen memiliki nilai residual yang kecil atau nol dengan Jumlah Penduduk, maka terjadi kecocokan disini sehingga Jumlah Penduduk dengan persentase kecil dapat dikategorikan
sebagai variabel moderating yang menaikkan Indeks Pembangunan Manusia.
3.7.4. Uji Koefisien Determinasi (R2)
Koefisien Determinasi (R2) dilakukan untuk mengetahui sejauh mana kemampuan model dalam menerangkan variasi variabel dependen.
Nilai adjusted R2 berada diantara nilai nol sampai dengan satu. Semakin mendekati nilai satu maka variabel independen hampir memberikan semua informasi untuk memprediksi variabel dependen atau merupakan indicator yang menunjukkan semakin kuatnya kemampuan dalam menjelaskan perubahan variabel independen terhadap variasi variabel dependen.
Kelemahan yang mendasar dengan penggunaan R2 adalah bias terhadap jumlah variabel independen yang satu variabel independen, maka R2 pasti meningkat tidak melihat apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen.
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN 4.1. Hasil Penelitian
4.1.1 Analisis Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata- rata (mean), standar deviasi, maksimum, minimum.
Tabel 4.1
Hasil Analisis Deskriptif
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PAD 76 66330.4342 99467.12066 9000.00 608956.00
Ln_DAU 76 13.0822 .29956 12.53 13.92
Ln_DAK 76 10.9011 .27517 10.25 11.40
Ln_BKP 76 9.6016 .58556 7.93 11.00
IPM 76 6643.9474 472.27960 5895.00 7935.00
Sumber : Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan hasil tabel 4.1 dapat diketahui bahwa nilai N banyaknya jumlah penelitian yang dipakai adalah sebanyak 76 sampel periode 2011 sampai 2014 adalah sebagai berikut :
1. Variabel PAD diketahui nilai rata-rata (mean) sebesar 66330,4342 dengan nilai standard deviasi sebesar 99467,12066 sedangkan nilai minimunya sebesar 9000,00 dan untuk nilai maksimum sebesar 608956,00.
2. Variabel DAU diketahui nilai rata-rata (mean) sebesar 13,0822 dengan nilai standard deviasi sebesar 0,29956 sedangkan nilai minimunya sebesar 12,53 dan untuk nilai maksimum sebesar 13,92.
3. Variabel DAK diketahui nilai rata-rata (mean) sebesar 10,9011 dengan nilai standard deviasi sebesar 0,27517 sedangkan nilai minimunya sebesar 10.25 dan untuk nilai maksimum sebesar 11,40.
4. Variabel BKP diketahui nilai rata-rata (mean) sebesar 9,6016 dengan nilai standard deviasi sebesar 0,58556 sedangkan nilai minimunya sebesar 7,93 dan untuk nilai maksimum sebesar 11,00.
5. Variabel IPM diketahui nilai rata-rata (mean) sebesar 6643,9474 dengan nilai standard deviasi sebesar 472,27960 sedangkan nilai minimunya sebesar 5895,00 dan untuk nilai maksimum sebesar 7935,00.
4.1.2 Uji Asumsi Klasik
Pengujian asumsi klasik yang digunakan dalam penelitian ini meliputi uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Adapun masing-masing pengujian tersebut dapat dijabarkan sebagai berikut :
4.1.2.1 Uji Normalitas Data
Uji normalitas data digunakan untuk menguji apakah dalam model regresi residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. cara unutk mendeteksi
apakah residual berdistribusi normal atau tidak, yaitu : Kolmogorov-Smirnov (K-S), grafik histogram dan grafik normal probability plot.
Tabel 4.2
Hasil Uji Normalitas Data Dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 76
Normal Parametersa,b Mean 0E-7
Std. Deviation 300.95148471
Most Extreme Differences
Absolute .074
Positive .074
Negative -.067
Kolmogorov-Smirnov Z .643
Asymp. Sig. (2-tailed) .803
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.2 diatas dapat diketahui bahwa nilai Asymp. Sig. (2-tailed) sebesar 0,803 jauh diatas nilai signifikan sebesar 0,05. Hal ini bisa juga dilihat di grafik histogram dan grafik normal probability-plot.
Gambar 4.1
Hasil Uji Normalitas Data Dengan Grafik Histogram
Dari grafik histogram tampak bahwa residual terdistribusi secara normal dan berbentuk tidak menceng ke kanan atau ke kiri.
Pada grafik normal probability plots titik-titik menyebar berhimpit di sekitar diagonal dan hal ini menujukkan bahwa residual terdistribusi secara normal. Sehingga dapat disimpulkan bahwa data bebas dari normalitas seperti terlihat pada gambar di bawah ini:
Gambar 4.2
Hasil Uji Normalitas Data Dengan Normal Probability Plot 4.1.2.2 Uji Multikolinearitas
Uji multikolinearitas berfungsi untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi, dapat dilihat dari nilai tolerance dan lawannya, serta variance inflation factor (VIF).
Berikut ini adalah hasil dari uji multikolinearitas:
Tabel 4.3
Hasil Uji Multikolinearitas
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
Collinearity Statistics B Std. Error Beta Tolerance VIF
1
(Constant) 14574.051 2200.191
PAD .003 .001 .667 .462 2.165
Ln_DAU 60.051 220.448 .038 .293 3.419
Ln_DAK -703.531 165.103 -.410 .618 1.618
Ln_BKP -130.875 97.732 -.162 .390 2.567
a. Dependent Variable: y
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.3 diatas dapat diketahui bahwa nilai tolerance untuk variabel PAD, DAU, DAK, dan BKP berkisar antara 0,462 sampai dengan 0,390 atau lebih besar dari nilai 0,10. Hal ini ditunjukkan dari nilai tolerance diatas yang menyatakan tidak ada variabel yang memiliki nilai tolerance kurang dari 0,10, sedangkan untuk nilai Variance Inflation Factor (VIF) menunjukkan tidak ada variabel PAD, DAU, DAK, dan BKP yang memiliki nilai VIF lebih dari 10, karena nilainya berkisar antara 2,165 sampai dengan 2,567.
Jadi dapat disimpulkan bahwa semua variabel independen terbebas dari multikolinearitas.
4.1.2.3 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Jika tidak ada pola tertentu serta titik–titik menyebar diatas dan dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas dilakukan dengan melihat grafik scatterplot.
Berikut hasil pengujian untuk grafik scatterplot :
Gambar 4.3
Hasil Uji Heteroskedastisitas Dengan Scatterplot
Dari grafik di atas pada gambar 4.3 dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
4.1.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya).
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu dengan yang lain. Untuk menguji ada tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Waston (DW test).
Tabel 4.4 Hasil Uji Autokorelasi
Model Summaryb
Model R R
a. Predictors: (Constant), Ln_BKP, Ln_DAK, PAD, Ln_DAU b. Dependent Variable: y
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (DW test) sebesar 1,781 dari jumlah sampel 76 dengan 4 variabel (n=76, k=4) dan tingkat signifikansi 0,05. Dengan melihat tabel Durbin-Watson, diperoleh nilai dL=1,5190 dan nilai dU=1,7399 maka diinterprestasikan sebagai berikut:
Tabel 4.5
Interprestasi Nilai Durbin Watson (n=76, k=4)
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi
1,7399 < 1,781 < 2,2601
Sumber : Ghozali, 2013
Dari hasil tabel 4.5 menunjukkan bahwa nilai D-W yang dihasilkan 1,781 terletak diantara nilai dU < d < 4-dU yaitu 1,7399 <
1,781 < 2,2601 sehingga dapat disimpulkan bahwa tidak ada autokorelasi positif atau negatif atau dapat disimpulkan tidak terdapat autokorelasi (Ghozali, 2013).
4.1.3 Analisis Regresi Berganda
Analisis regresi linier berganda berguna untuk mencari pengaruh dua atau lebih variabel atau untuk mencari hubungan fungsional dua variabel dependen dengan variabel independen. Adapun hasil pengelolaan data dengan analisis regresi berganda dengan program SPSS 20 adalah sebagai berikut:
Tabel 4.6
Hasil Analisis Regresi Berganda
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 14574.051 2200.191 6.624 .000
PAD .003 .001 .667 5.997 .000
Ln_DAU 60.051 220.448 .038 .272 .786
Ln_DAK -703.531 165.103 -.410 -4.261 .000
Ln_BKP -130.875 97.732 -.162 -1.339 .185
a. Dependent Variable: y
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Diketahui model hubungan harga saham dengan variabel-variabel tersebut dapat disusun dalam fungsi atau persamaan sebagai berikut:
Y = a + b1X1 + b2X2 + b3X3 +b4X4+ e
Y = + 0,003X1 + 60,051X2 – 703,531X3 – 130,875X4 + e Persamaan regresi yang diperoleh diinterpretasikan sebagai berikut:
1. a = 14574,051
Nilai konstanta (a) adalah sebesar 14574,051 artinya jika variabel Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan
Badan Keuangan Provinsi tidak ada, maka nilai Indeks Pembangunan Manusia akan meningkat sebesar 14574,051.
2. b1 = 0,003
Nilai b1 merupakan koefisien regresi dari variabel Pendapatan Asli Daerah sebesar 0,003 artinya jika terjadi peningkatan Pendapatan Asli Daerah maka Indeks Pembangunan Manusia akan terjadi peningkatan sebesar 0,003.
3. b2 = 60,051
Nilai b2merupakan koefisien regresi dari variabel Dana Alokasi Umum sebesar 60,051 artinya jika terjadi peningkatan Dana Alokasi Umum maka Indeks Pembangunan Manusia akan terjadi peningkatan sebesar 60,051.
4. b3 = -703,531
Nilai b3 merupakan koefisien regresi dari variabel Dana Alokasi Khusus sebesar -703,531 artinya jika terjadi penurunan Dana Alokasi Khusus maka Indeks Pembangunan Manusia akan terjadi penurunan sebesar 703,531.
5. b4 = -130,875
Nilai b4 merupakan koefisien regresi dari variabel Badan Keuangan Provinsi sebesar -130,875 artinya jika terjadi penurunan Badan Keuangan Provinsi maka Indeks Pembangunan Manusia akan terjadi penurunan sebesar 130,875.
4.1.3.1 Uji Hipotesis
Pengujian hasil analisis regresi linear berganda dilakukan
Pengujian hasil analisis regresi linear berganda dilakukan
